泵的几种典型故障诊断方法与应用

本文分析总结了炼厂机泵的几种典型故障的振动特点和诊断方法,应用振动频谱分析和轴承冲击脉冲分析等方法,同时与泵的工艺参数和运行参数相结合进行综合分析,可准确地诊断机泵故障。     

倒频谱分析在故障检测中的应用

倒频谱分析是语音和图象处理中广泛应用的非线性信号处理技术。由于能对周期性异常振动信号进行有效的提取和分离,近年来被广泛运用于化工设备的故障检测中。倒频谱分析分为实倒频谱分析和复倒频谱分析两类。通过对周期性异常振动信号进行有效的提取和分离,结合频谱分析能有效获取异常振动产生的周期性激励信号,并对信号参数进行转换得到故障源的一些特征参数,再与元件的特征参数相比对,精确地得到故障位置并及时作出处理。     

空压机的频谱与解调分析

空压机早期故障预测比较困难。本文介绍空压机组测点位置和检测参数的选择、典型信号分析与评价,以HG-3518型数据采集器为例,介绍频谱分析与解调分析相结合的方式对空压机故障进行诊断和分析。     

振动时频分析技术在设备故障诊断中的应用

本文介绍了机械振动分析中常用的时域波形和频谱的基本特点,以轴承损伤和机械松动导致的振动故障为例,详细阐述了时域波形和频谱在不同故障形态中表现出的基本特征,并结合故障现象和设备参数,给出了具体的分析诊断方法。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

振动分析技术在风机滚动轴承故障诊断中的应用

介绍了滚动轴承故障发展过程的四阶段中的典型特征,通过参数计算出大型锅炉引风机滚动轴承故障频率,利用VB1000数据采集仪的频谱及振动尖峰能量gSE结合实例进行故障诊断与分析,有效地解决了轴承故障问题。     

基于倒频谱的滚动轴承故障诊断

机械设备中齿轮、滚动轴承等出现故障时,信号的频谱上会出现难以识别的多簇调制边频带,采用倒频谱分析可以分解和识别故障频率、故障原因和部位。首先,介绍了倒频谱的定义,并通过实例说明倒频谱分析方法对周期性脉冲激励的敏感程度;然后,给出了滚动轴承各零部件产生故障的脉冲频率,从而可以通过倒频谱分析方法提取出的故障频率与理论计算出的故障频率相对比,来确定滚动轴承的故障。     

基于EMD与倒谱分析的轴承故障诊断

提出了一种基于经验模态分解与幅值倒频谱分析的轴承故障诊断方法。该方法首先对外圈故障信号作传统的傅里叶幅值谱和幅值倒频谱分析,未能明显地找到故障特征;然后对故障信号做经验模态分解,并对分解出来的第一层本征模函数作倒频谱分析,有效地提取出了故障特征;最后,用该方法分别对具有内圈故障和滚动体故障的轴承故障信号作分析,也有效地提取出了故障特征。实验结果表明,通过联合经验模态分解和倒频谱分析,能有效并且准确地提取出轴承的故障特征频率。     

基于输出电压和电源电流协同分析的故障诊断方法

提出了基于输出电压和电源电流协同分析的模拟电路故障诊断新方法.由于不同故障对输出电压和电源电流谐波频谱的幅度和相位的敏感程度不同,因此使用该方法可以有效地检测到灾难型故障和参数型故障,并且该方法对传统方法无法检测的时延类故障依然有效,在协同分析过程中分别采用欧式距离和马氏距离作为灾难型故障和参数型故障检测的判别依据,并且文中分析了由于输入激励不同、分析谐波次数不同所导致的故障覆盖率问题.与基于输出电压的分析方法相比,基于输出电压和电源电流协同分析的方法具有更高的故障覆盖率.     

曲线锥齿轮故障的频谱分析

以PD101泵为例,介绍应用频谱分析诊断减速机故障的过程,分析了曲线锥齿轮频谱特征与故障的关系。